UNaB
Diplomatura en Análisis de Datos para el Desarrollo de Políticas Públicas
Universidad Nacional Guillermo Brown

Coordinador:
Juan Domingo González

Objetivos Generales

El objetivo general del presente trabajo consiste en analizar el perfil de los/las asistentes y los usos de los Puntos Digitales (PD) distribuidos a lo largo y a lo ancho del país. En esta línea, nuestra idea -en términos generales- es dimensionar y visualizar las características de los usos (frecuencia, tipo de servicios utilizados, estacionalidad y territorialidad) que el público destinatario confiere a estos Puntos facilitadores de inclusión digital y capacitación tecnológica. También nos interesa indagar en el perfil de los/las usuarios/as de dichos Puntos.

Objetivos Específicos

En principio, nos interesa trabajar con los datos mensualizados correspondientes al período 2020-2023 para preguntarnos:

¿Podemos identificar variaciones estacionales en el flujo de asistencias a los Puntos Digitales que se relacionen con meses escolares, trámites nacionales lanzados, etc?

¿Cómo es el comportamiento de los/as asistentes según género y edad en los Puntos Digitales?

¿Podemos identificar los Ejes Temáticos más concurridos según región o provincia? ¿Existe una relación entre la concurrencia a los Puntos Digitales y su ubicación geográfica?

A partir de estas preguntas, algunos objetivos específicos de este trabajo son los siguientes:

  • Verificar si existen variaciones estacionales en el flujo de asistencias a los Puntos Digitales.
  • Describir el comportamiento de los/as asistentes a los Puntos Digitales según las variables “género” y “edad”.
  • Identificar cuáles son los Ejes Temáticos más concurridos por provincia y región.
  • Corroborar si existe, o no, una relación causal entre ubicación geográfica y asistencia a los Puntos Digitales.

Antecedentes

Sobre el Programa Punto Digital

El Programa Punto Digital cuenta con dispositivos instalados a lo largo y ancho del territorio argentino. Su objetivo general y principio fundante es la reducción de la brecha digital a fin de contribuir a mejorar la calidad de vida de las y los habitantes de la República Argentina. En tal sentido, ofrece acceso gratuito y en igualdad de condiciones a la conectividad y a las Tecnologías de la Información y la Comunicación (TIC). Apunta también a establecer las bases para el desarrollo de habilidades digitales que fortalezcan no sólo a las personas en términos individuales, sino también a sus comunidades.

Entre los objetivos específicos de este Programa se encuentran los siguientes:

  • Reconocer derechos fundamentales y promover un acceso efectivo a los mismos.
  • Incentivar el desarrollo de habilidades digitales.
  • Promover la participación comunitaria.
  • Facilitar el desarrollo de iniciativas locales y del emprendedurismo.
  • Estimular el desarrollo de oficios manuales y digitales.
  • Aportar al reconocimiento de la cultura local.
  • Promover el acceso y la producción de bienes culturales.
  • Brindar un espacio para el entretenimiento educativo y tecnológico.
  • Promover el acceso a la información y al conocimiento.

Actividades y metodología

Uno de los principales insumos para realizar el monitoreo del uso de los Puntos Digitales (PD) por parte de las y los habitantes del territorio es el reporte de asistencias que realiza cada equipo de trabajo local de cada uno de los PD distribuidos a lo largo y a lo ancho del país. En esta línea, cada Punto Digital cuenta con una coordinadora o coordinador que mensualmente carga el listado de actividades (clasificadas por Eje Temático) y las asistencias a cada actividad.

El set de datos se compone de planillas .csv mensualizadas de enero 2020 a septiembre 2023 (el reporte es a mes vencido) sobre el número de participantes según edad, en los Puntos Digitales en funcionamiento de las 24 jurisdicciones de Argentina (23 provincias más CABA).

Las actividades están estructuradas en nueve (9) ejes, detallados a continuación:

  • Alfabetización Digital
  • Capacitaciones PPD
  • Ciudadanía y Derechos
  • Cultura y entretenimiento
  • Educación
  • Formación Laboral
  • Géneros y diversidades
  • Salud
  • Trámites

Para el año 2023, contamos con datos discriminados según género.Para el procesamiento, análisis y visualización de los datos se utilizará el lenguaje de programación R, y en caso de resultar necesario, se implementarán algoritmos en python desde una notebook de Google Colab.

En un primer momento se realizará un análisis exploratorio de las bases de datos de referencia, tomando en consideración las variables de interés. Luego, la idea es avanzar en las respuestas a los interrogantes planteados, corroborando -o no- las relaciones asumidas entre variables.

Documentación del Trabajo

Fuentes de Datos

El set de datos seleccionado para trabajar consta de la base mensualizada de Actividades de los Puntos Digitales. Como datos complementarios, se tomará la base georeferenciada de los Puntos Digitales, y los indicadores del Censo Nacional de Población, Hogares y Viviendas 2010 (Disponibilidad de bienes computadora/celular).

Referencias

Análisis

0. Acciones Preliminares

Instalación condicional de librerías

Instala paquetes solos si detecta que no fueron previamente instalados.

# instalación condicional de librerías (solo instala si faltan)
# https://stackoverflow.com/questions/66869137/installing-r-packages-in-colab
# https://stackoverflow.com/questions/63594521/install-a-r-package-permanently-in-google-colab
instalar <- function(libreria) {
  if (!requireNamespace(libreria, quietly = TRUE)) {
    install.packages(libreria)
  }
}
instalar("readr")
instalar("dplyr")
instalar("gt")
instalar("gtExtras")
instalar("tmap")
## The legacy packages maptools, rgdal, and rgeos, underpinning the sp package,
## which was just loaded, will retire in October 2023.
## Please refer to R-spatial evolution reports for details, especially
## https://r-spatial.org/r/2023/05/15/evolution4.html.
## It may be desirable to make the sf package available;
## package maintainers should consider adding sf to Suggests:.
## The sp package is now running under evolution status 2
##      (status 2 uses the sf package in place of rgdal)
instalar("sf")
instalar("leaflet")
instalar("archive")
instalar("ggplot2")
instalar("geoAr")
instalar("httr")


# instalar("Hmisc")
# instalar("purrr")
# instalar("lattice")
# instalar("cluster")
# instalar("stats")
# instalar("stringr")
# instalar("corrplot")
# instalar("ergm") para medianas ponderadas. No utilizado
# demora 30-45 segundos
# instalar("psych")
# demora demora 3-8 segundos
# instalar("skimr")
# demora 5-7 minutos
# instalar("caret")

Carga de librerías

# Función de carga condicional de librerías (solo carga si están instaladas)
cargar <- function(libreria, warns = WARN_ACT) {
  if (requireNamespace(libreria, quietly = TRUE)) {
    if(warns) {
      library(libreria, character.only = TRUE)
    } else{
      suppressMessages(library(libreria, character.only = TRUE))
    }
    
  }
}

# carga de librerías a utilizar
cargar("readr")        # lectura de datos
cargar("dplyr")        # manipulación de df
cargar("gt")           # tablas
cargar("gtExtras")     # tablas
cargar("tmap")         # mapas interactivos
cargar("sf")           # datos geoespaciales
cargar("leaflet")      # mapas interactivos
cargar("archive")      # urilidades
cargar("ggplot2")      # graficación
cargar("geoAr")        # geodatos argentina
instalar("httr")       # manejo de solicitudes http

# cargar("lattice")      # graficación estadistica
# cargar("cluster")      # clustering
# cargar("skimr")        # estadísticas
# cargar("stats")        # estadísticas
# cargar("kableExtra") # tablas
# cargar("psych")        # estadísticas
# cargar("purrr")        # manejo de listas
# cargar("IRdisplay")  # display de notebook
# cargar("tidyverse")    # conjunto de paquetes tidy
# cargar("stringr")      # cadenas de caracteres
# cargar("corrplot")     # grafico de correlación
# cargar("Hmisc")        # correlaciones
# cargar("caret")        # entrenamiento
# cargar("ergm")        # análisis estadísticos

1. Tablas

1.1 Puntos Digitales

1.1.1 Listado de Puntos Digitales

El Programa Punto Digital cuenta con dispositivos instalados a lo largo y ancho del territorio argentino. Su objetivo fundamental es la reducción de la brecha digital a los fines de contribuir a la mejora de la calidad de vida de las y los habitantes del país. Esta tabla contiene el listado de los puntos digitales.

Carga listado de puntos digitales

# Puntos digitales

puntos <- read.csv(paste0(PATH, puntos_arch), sep = ",", encoding = "ISO-8859-1")

sample_n(puntos, 5) |> 
  dplyr::mutate(horarios = substr(horarios, 1, 20)) |>  # Truncar "horarios"
  gt() |> 
  tab_header(
    title = "Puntos Digitales*",
    subtitle = "* muestra"
  ) |>
  tab_options(table.width = "100%") |>
  opt_stylize(style = 5, color = 'cyan')
Puntos Digitales*
* muestra
id_pd nombre_pd direccion nombre_institucional id_provincia id_departamento id_localidad cod_bahra_localidad id_municipio provincia departamento localidad municipio mail_institucional latitud longitud horarios link_facebook estado
254 Granadero Baigorria I Calle 2 180 Edificio Municipal AR-S 1684 11477 82084160000 SFE143 Santa Fe Rosario Granadero Baigorria Granadero Baigorria baigorria1@puntodigital.gob.ar -32.84733 -60.70974 Lunes 07:00 a 17:00 https://www.facebook.com/puntodigital.granaderobaigorria/ Activo
591 Santa Rosa de Conlara Rivadavia S/N Edificio Municipal AR-D 1602 10758 74049070000 SLU054 San Luis Junin Santa Rosa del Conlara Santa Rosa de Conlara conlara@puntodigital.gob.ar -32.34470 -65.20576 Lunes 08:00 a 13:00 Activo
643 Coranzuli Gral. San Martín S/N Edificio Municipal AR-Y 1465 7379 38084020000 JUJ013 Jujuy Susques Coranzuli Coranzuli coranzuli@puntodigital.gob.ar -23.03234 -66.40574 Martes 15:00 a 19:00 Activo
569 Bragado Hermanos Islas 428 ONG AR-B 1210 378 6112010000 BUE016 Buenos Aires Bragado Bragado Bragado bragado@puntodigital.gob.ar -35.11084 -60.50008 Lunes 08:00 a 12:00 Activo
116 Gan Gan San Martin Edificio Municipal AR-U 1375 5843 26105010000 CHU021 Chubut Telsen Gan Gan Gan Gan gangan@puntodigital.gob.ar -42.52189 -68.28567 Próximamente
columnas <- c("id_pd", "nombre_pd", "direccion", "nombre_institucional",
              "id_provincia", "id_departamento", "id_localidad",
              "cod_bahra_localidad", "id_municipio", "provincia",
              "departamento", "localidad", "municipio", "mail_institucional",
              "latitud", "longitud", "horarios", "link_facebook", "estado")

Dimensiones de la tabla

# dimensiones
cat("El DataFrame tiene", dim(puntos)[1], "observaciones y", dim(puntos)[2], "variables.")
## El DataFrame tiene 664 observaciones y 19 variables.

Medidas de tendencia central - Puntos Digitales

# Descripción de Empleo AMBA sin desagregar
summary(puntos)
##      id_pd         nombre_pd          direccion         nombre_institucional
##  Min.   :  40.0   Length:664         Length:664         Length:664          
##  1st Qu.: 254.8   Class :character   Class :character   Class :character    
##  Median : 515.0   Mode  :character   Mode  :character   Mode  :character    
##  Mean   : 538.6                                                             
##  3rd Qu.: 767.2                                                             
##  Max.   :1289.0                                                             
##                                                                             
##  id_provincia       id_departamento  id_localidad   cod_bahra_localidad
##  Length:664         Min.   :1195    Min.   :    1   Min.   :2.001e+09  
##  Class :character   1st Qu.:1345    1st Qu.: 2613   1st Qu.:1.006e+10  
##  Mode  :character   Median :1451    Median : 6260   Median :3.008e+10  
##                     Mean   :1465    Mean   : 6296   Mean   :3.808e+10  
##                     3rd Qu.:1600    3rd Qu.: 9505   3rd Qu.:6.603e+10  
##                     Max.   :1723    Max.   :13537   Max.   :9.401e+10  
##                                     NA's   :1       NA's   :1          
##  id_municipio        provincia         departamento        localidad        
##  Length:664         Length:664         Length:664         Length:664        
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##                                                                             
##   municipio         mail_institucional    latitud          longitud     
##  Length:664         Length:664         Min.   :-54.82   Min.   :-72.34  
##  Class :character   Class :character   1st Qu.:-34.86   1st Qu.:-65.47  
##  Mode  :character   Mode  :character   Median :-32.06   Median :-62.96  
##                                        Mean   :-32.17   Mean   :-62.75  
##                                        3rd Qu.:-27.57   3rd Qu.:-59.10  
##                                        Max.   :-22.10   Max.   :-54.20  
##                                                                         
##    horarios         link_facebook         estado         
##  Length:664         Length:664         Length:664        
##  Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character  
##                                                          
##                                                          
##                                                          
## 

Con los datos de la tabla puede determinarse su ubicación geoespacial.

Mapa

# Geolocalización de Puntos Digitales
# https://rdrr.io/cran/tmap/man/tm_symbols.html
# https://r-tmap.github.io/tmap-book/layers.html

mostrar <- c("id_pd", "nombre_pd", "direccion", "provincia", "departamento",
             "localidad", "municipio", "estado")

# Capas
capas <- c(GrayMap = "Esri.WorldGrayCanvas", StreetMap = "OpenStreetMap", TopoMap = "Esri.WorldTopoMap")

# Geodataframe
puntos_sf <- puntos |> 
  select(2, 1, everything()) |>
  st_as_sf(coords = c("longitud", "latitud"), crs = 4326)
# Gráfico
tmap_mode("view")
## tmap mode set to interactive viewing
tm_basemap(capas) +
  tm_shape(puntos_sf, is.master = TRUE) +
  # tm_markers(size = 0.5, popup.vars = mostrar) +
  # tm_dots(size = 0.05,  clustering = T, popup.vars = mostrar) + # puntos agrupados
  tm_dots(size = 0.01,  popup.vars = mostrar) + # puntos desagrupados
  tm_layout(main.title = "Puntos Digitales", main.title.size = 0.7);

Diccionario

# diccionario de datos

descripciones <- c(
  "Identificador del Punto Digital",
  "Nombre del Punto Digital",
  "Dirección",
  "Nombre Institucional",
  "Identificador de la provincia",
  "Identificador del departamento",
  "Identificador de la localidad",
  "Codigo BAHRA (Asentamientos Urbanos)",
  "Identificador del municipio",
  "Provincia",
  "Departamento",
  "Localidad",
  "Municipio",
  "Mail Institucional",
  "Latitud",
  "Longitud",
  "Horarios",
  "Link Facebook",
  "Estado"
)

diccionario <- data.frame(
  Clase = sapply(puntos, class),
  Descripción = descripciones
)

diccionario <- tibble::rownames_to_column(diccionario, "Variable")

diccionario |>   
  gt(rowname_col = "Variable") |> 
  tab_header(
    title = "Diccionario de Datos",
  ) |>
  tab_options(table.width = "90%") |>
  gt_theme_dot_matrix()
Diccionario de Datos
Clase Descripción
id_pd integer Identificador del Punto Digital
nombre_pd character Nombre del Punto Digital
direccion character Dirección
nombre_institucional character Nombre Institucional
id_provincia character Identificador de la provincia
id_departamento integer Identificador del departamento
id_localidad integer Identificador de la localidad
cod_bahra_localidad numeric Codigo BAHRA (Asentamientos Urbanos)
id_municipio character Identificador del municipio
provincia character Provincia
departamento character Departamento
localidad character Localidad
municipio character Municipio
mail_institucional character Mail Institucional
latitud numeric Latitud
longitud numeric Longitud
horarios character Horarios
link_facebook character Link Facebook
estado character Estado

1.1.4 Actividades

Lista de Actividades de los Puntos Digitales

Carga de Bases Mensuales

lista <- list()
archivos <- list.files(path = PATH2)

for (archivo in archivos) {
  df <- read.csv(file.path(PATH2, archivo), sep = ",", encoding = "ISO-8859-1")
  # extrae fecha del n de archivo
  fecha <- strsplit(tools::file_path_sans_ext(archivo), "-", fixed = TRUE)[[1]]
  df <- df |> 
    mutate(anio = as.integer(trimws(fecha[1])),
           mes = as.integer(trimws(fecha[2])))
  lista <- c(lista, list(df))
}

actividades <- bind_rows(lista)

Muestra de Actividades Mensuales

sample_n(actividades, 10) |> 
  gt() |> 
  tab_header(
    title = "Actividades*",
    subtitle = "* muestra"
  ) |>
  tab_options(table.width = "100%") |>
  opt_stylize(style = 5, color = 'cyan')
Actividades*
* muestra
nombre_punto_digital eje eje_id hasta_11 hasta_11_femenino hasta_11_masculino hasta_11_x de_12_a_20 de_12_a_20_femenino de_12_a_20_masculino de_12_a_20_x de_21_a_65 de_21_a_65_femenino de_21_a_65_masculino de_21_a_65_x desde_65 desde_65_femenino desde_65_masculino desde_65_x Totales provincia categoria subcategoria cantidad_actividad anio mes
Laboulaye Ciudadanía y DD 25 0 0 0 0 0 0 0 0 3 2 1 0 0 0 0 0 3 Córdoba Comunidad Ciudadanía y Derechos Humanos 1 2023 6
San Carlos Centro (Santa Fe) Trámites 22 0 NA NA NA 0 NA NA NA 2 NA NA NA 0 NA NA NA 2 Santa Fe Trámites Nacionales Validación de identidad 2 2022 12
Hernando Ciudadanía y DD 25 0 NA NA NA 0 NA NA NA 20 NA NA NA 0 NA NA NA 20 Córdoba Comunidad Otros 2 2021 7
Susques Educación 16 0 NA NA NA 0 NA NA NA 34 NA NA NA 1 NA NA NA 35 Jujuy Complementos de la educación formal Otros 1 2021 8
Crespo Formación Laboral 13 80 10 70 0 80 20 60 0 40 20 20 0 0 0 0 0 200 Entre Ríos Oficios digitales Programación 2 2023 6
Puerto Piray Cultura y Entretenimiento 31 12 NA NA NA 4 NA NA NA 18 NA NA NA 11 NA NA NA 45 Misiones Artes Otros 3 2021 5
Corzuela Ciudadanía y DD 25 0 NA NA NA 0 NA NA NA 28 NA NA NA 0 NA NA NA 28 Chaco Comunidad Otros 2 2021 6
Riacho He He Alfabetización Digital 10 70 NA NA NA 40 NA NA NA 0 NA NA NA 0 NA NA NA 110 Formosa Alfabetización Digital Alfabetización Digital Inicial 1 2022 4
Belén Salud 19 0 0 0 0 0 0 0 0 47 25 22 0 65 40 25 0 112 Catamarca Salud Uso terapéutico del espacio de entretenimiento 1 2023 7
Pilar II (Derqui) Cultura y Entretenimiento 31 0 0 0 0 626 298 328 0 0 0 0 0 0 0 0 0 626 Buenos Aires Actividad Proyección de película (con debate) 7 2023 3

Lista de actividades

# Cuadro de actividades 
# https://gt.albert-rapp.de/getting_started#use-groups-instead-of-repetitive-columns
# https://github.com/rstudio/gt/issues/577
# https://github.com/rstudio/gt/issues/545

act_listado <- actividades |> 
  select(eje, categoria, subcategoria)  |> 
  distinct() |> 
  arrange(eje, categoria, subcategoria)

act_listado |>
  gt(groupname_col = "eje") |>
  # cols_merge(columns = c(eje, categoria)) |> 
  tab_header(
    title = "Lista de Actividades*",
    subtitle = "* listado completo"
  ) |>
  tab_options(row_group.as_column = TRUE, table.width = "85%") |>
  opt_stylize(style = 5, color = 'cyan')
Lista de Actividades*
* listado completo
categoria subcategoria
Alfabetización Digital Alfabetización Digital Alfabetización Digital Inicial
Alfabetización Digital Paquete de Office o LibreOffice
Alfabetización Digital Programación para niñxs
Alfabetización Digital Robótica para niñxs
Alfabetización Digital Uso de correo electrónico
Tecnologías de la vida cotidiana Armado de perfil en redes sociales
Tecnologías de la vida cotidiana Cajero automático
Tecnologías de la vida cotidiana Ciberseguridad
Tecnologías de la vida cotidiana Escritorio PC
Tecnologías de la vida cotidiana Gestión de sitio WEB
Tecnologías de la vida cotidiana Home banking
Tecnologías de la vida cotidiana Uso del celular
Tecnologías de la vida cotidiana Videollamadas
Capacitaciones PPD Comunicación
Contenidos
Soporte
Vinculación
Ciudadanía y DD Comunidad Capacitación a agentes municipales
Comunidad Ciudadanía y Derechos Humanos
Comunidad Convivencia en Edificios
Comunidad Evento / Reunión
Comunidad Otros
Comunidad Seguridad vial
Discapacidad Apps de accesibilidad
Discapacidad Lengua de Señas Argentina
Discapacidad Taller de autogestores
Cultura y Entretenimiento Actividad Actividad con uso de consola de videojuegos
Actividad Efeméride
Actividad El mundial 2022 en tu PD
Actividad INCAA en tu PD
Actividad Proyección de película (con debate)
Actividad Punto Carnaval
Actividad Transmisión del mundial 2022 en tu PD
Artes Cerámica
Artes Circo
Artes Danza
Artes Literatura
Artes Murga
Artes Música
Artes Otros
Artes Pintura
Artes Teatro
Artes Tejido
Artes digitales Armado de flyers
Artes digitales Deportes electrónicos
Artes digitales Edición de videos
Artes digitales Fotografía
Artes digitales Ilustración Digital
Artes digitales Otros
Uso Libre Navegación libre
Uso Libre Uso libre de la consola de videojuegos
Uso Libre Uso libre del espacio de microcine
Educación Complementos de la educación formal Apoyo escolar
Complementos de la educación formal Argentina Programa (uso del PD para cursar)
Complementos de la educación formal Educación Financiera
Complementos de la educación formal FINES
Complementos de la educación formal Idiomas
Complementos de la educación formal Otros
Complementos de la educación formal Talleres País Digital
Complementos de la educación formal Terminá la Secundaria
Complementos de la educación formal Videoconferencias formativas
Formación Laboral Inserción al mundo laboral Armado de CV
Inserción al mundo laboral Armado de perfil de LinkedIn
Inserción al mundo laboral Búsqueda laboral en plataformas online
Oficios digitales Comunity Manager
Oficios digitales Diseño gráfico
Oficios digitales Impresión y Diseño 3D
Oficios digitales Instalación de redes o sistemas
Oficios digitales Inteligencia Artificial
Oficios digitales Marketing Digital
Oficios digitales Otras
Oficios digitales Programación
Oficios digitales Proyecto Impresion 3D Punto Digital 2022
Oficios digitales Realidad Aumentada
Oficios digitales Reparación de PC
Oficios digitales Reparación de Smartphones
Oficios digitales Robótica
Oficios digitales Ventas por Internet
Oficios digitales Whatsapp para negocios
Oficios manuales Agricultura Orgánica
Oficios manuales Albañilería
Oficios manuales Cocina
Oficios manuales Conservación de alimentos
Oficios manuales Electricidad
Oficios manuales Manipulación de alimentos
Oficios manuales Otras
Oficios manuales Peluquería
Oficios manuales Seguridad e higiene
Oficios manuales Taller de Compost
Oficios manuales Tejido, bordado, otros
Generos y Diversidades Educación Sexual Integral (ESI)
Maternidades y paternidades
Nuevas masculinidades
Otros
Perspectiva de género
Prevención de violencias
Salud Salud Apps Obra Social
Salud Gestión y prevención COVID
Salud Historia Clínica Electrónica
Salud Otros
Salud Primeros Auxilios
Salud Telesalud
Salud Uso terapéutico del espacio de entretenimiento
Trámites Trámites Municipales MUNICIPIO
Trámites Nacionales AFIP
Trámites Nacionales ANSES
Trámites Nacionales Argentina Programa (inscripción)
Trámites Nacionales Censo Nacional 2022
Trámites Nacionales Certificado de Discapacidad
Trámites Nacionales Egresar
Trámites Nacionales MiArgentina
Trámites Nacionales Otros
Trámites Nacionales PAMI
Trámites Nacionales PROGRESAR
Trámites Nacionales Potenciar Trabajo
Trámites Nacionales RENAPER
Trámites Nacionales Segmentación Energética
Trámites Nacionales Validación de identidad
Trámites Provinciales Otros
Trámites Provinciales RENTAS - ARBA (Similares)

1.2 Polígonos

1.2.1 Departamentos

Polígonos de Departamentos IGN

# Descomprimir el archivo 7-Zip
if (!file.exists(file.path(PATH, depto_arch))) {
  archive_extract(paste0(PATH, depto_comp), PATH)
}

deptos_geo <- st_read(paste0(PATH, depto_arch))
## Reading layer `departamentos' from data source 
##   `C:\Users\ablasco\Documents\Proyectos\UNaB-AdDyPP-TFI\datos\departamentos.json' 
##   using driver `GeoJSON'
## Simple feature collection with 529 features and 8 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -74 ymin: -90 xmax: -25 ymax: -21.78086
## Geodetic CRS:  WGS 84
deptos <- as.data.frame(deptos_geo)


sample_n(select(deptos, -geometry), 10) |>
  gt() |>
  tab_header(title = "Departamentos* - GeoDataFrame",
             subtitle = "* muestra"
             ) |>
  tab_options(table.width = "90%") |>
  gt_theme_pff()
Departamentos* - GeoDataFrame
* muestra
gid objeto fna gna nam in1 fdc sag
638 Departamento Departamento General Roca Departamento General Roca 14035 IDE Cordoba IGN
871 Departamento Departamento Chilecito Departamento Chilecito 46042 IGN IGN
608 Departamento Departamento Tulumba Departamento Tulumba 14175 IDE Cordoba IGN
825 Departamento Partido de Quilmes Partido Quilmes 06658 ARBA - Gerencia de Servicios Catastrales IGN
637 Departamento Partido de General Villegas Partido General Villegas 06392 ARBA - Gerencia de Servicios Catastrales IGN
1011 Departamento Departamento Coronel Pringles Departamento Coronel Pringles 74021 Direc. de Geodesia y Catastro IGN
773 Departamento Departamento Federación Departamento Federación 30028 ATER - Direc. de Catastro IGN
680 Departamento Departamento Montecarlo Departamento Montecarlo 54084 Ministerio de Ecología IGN
793 Departamento Partido de Salto Partido Salto 06714 ARBA - Gerencia de Servicios Catastrales IGN
652 Departamento Comuna 11 Comuna Comuna 11 02077 Direc. de Catastro IGN

Mapa

ggplot() +
    geom_sf(data = subset(deptos_geo, in1!="94028")) + # 92028 antartida
    labs(title = "Partidos de Argentina*",
         subtitle = "*se omite la Antártida")

# deptos_centroides <- deptos_geo |> 
# mutate (geometry = st_centroid(geometry))

1.2.2 Provincias

Polígonos de Provincias IGN

# https://datos.gob.ar/dataset/ign-unidades-territoriales/archivo/ign_01.02.02

# Descomprimir el archivo 7-Zip
if (!file.exists(file.path(PATH, prov_arch))) {
  archive_extract(paste0(PATH, prov_comp), PATH)
}

prov_geo <- st_read(paste0(PATH, prov_arch))
## Reading layer `ign_provincia' from data source 
##   `C:\Users\ablasco\Documents\Proyectos\UNaB-AdDyPP-TFI\datos\ign_provincia.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 24 features and 11 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY, XYZ
## Bounding box:  xmin: -74 ymin: -90 xmax: -25 ymax: -21.78086
## z_range:       zmin: 0 zmax: 0
## Geodetic CRS:  WGS 84 + WGS_1984_Geoid
prov_geo <- st_zm(prov_geo, drop = TRUE) #corrige las geometrías de los polígonos que están en 3d
provincias <- as.data.frame(prov_geo)


sample_n(select(provincias, -geometry), 10) |>
  gt() |>
  tab_header(title = "Provincias* - GeoDataFrame",
             subtitle = "* muestra"
             ) |>
  tab_options(table.width = "90%") |>
  gt_theme_pff()
Provincias* - GeoDataFrame
* muestra
OBJECTID Entidad Objeto FNA GNA NAM SAG FDC IN1 SHAPE_STAr SHAPE_STLe
430 0 Provincia Provincia de Mendoza Provincia Mendoza IGN Geografía 50 14.65838794 23.2599862
449 0 Provincia Provincia de Misiones Provincia Misiones IGN Geografía 54 2.71700190 13.3155594
434 0 Provincia Provincia de Entre Ríos Provincia Entre Ríos IGN Geografía 30 7.48648662 14.3590912
443 0 Provincia Provincia de Tierra del Fuego, Antártida e Islas del Atlántico Sur Provincia Tierra del Fuego, Antártida e Islas del Atlántico Sur IGN Geografía 94 566.26761180 749.9831591
444 0 Provincia Provincia de Santa Cruz Provincia Santa Cruz IGN Geografía 78 29.94387587 40.8355526
433 0 Provincia Provincia de Santa Fe Provincia Santa Fe IGN Geografía 82 12.55283841 20.8522797
446 0 Provincia Provincia de Río Negro Provincia Río Negro IGN Geografía 62 21.45113686 30.9972743
442 0 Provincia Provincia de Santiago del Estero Provincia Santiago del Estero IGN Geografía 86 12.54022432 16.3530915
427 0 Provincia Ciudad Autónoma de Buenos Aires Ciudad Autónoma Ciudad Autónoma de Buenos Aires IGN Geografía 02 0.02024179 0.7438065
437 0 Provincia Provincia de Catamarca Provincia Catamarca IGN Geografía 10 9.25694487 21.7060822

Mapa

ggplot() +
    geom_sf(data = prov_geo) +
    labs(title = "Provincias de Argentina")

#### 1.2.3 Aglomerados Urbanos Necesarios para el procesamiento de los datos de la encuesta ENTIC.

Los datos se obtienen del paquete GeoAr.

Geometrías

# https://rdrr.io/cran/geoAr/src/R/get_geo.R
# NOTA ALE: puede que esten fallando por un tema de proxy laboral. probar.
get_geo(geo = "ARGENTINA", level = "provincia", simplified = FALSE)
## Fail to download data. Source is not available // La fuente de datos no esta disponible
## NULL

Aglomerados Urbanos

# Listado de los aglomerados urbanos tomados para la ENTIC
# https://rdrr.io/cran/geoAr/src/R/get_eph.R

# simplified por defecto es TRUE y determina la descarga de una versión simplificada de las geometrias. Con FALSE descarga la versión original de INDEC
aglo_geo <- get_eph(
  geo = "ARGENTINA",
  simplified = FALSE,
  centroid = FALSE,
  level = "envolventes"
)
## Fail to download data. Source is not available // La fuente de datos no esta disponible
# Si falla la descarga de geoar x proxy
# https://community.rstudio.com/t/install-packages-only-works-with-wininet-how-set-default-download-file-method-to-wininet/172779
# https://gist.github.com/cderv/34ca743f5d39f27666b7636e5715d27f
if (is.null(aglo_geo)) {
  direccion <- "https://github.com/PoliticaArgentina/data_warehouse/raw/master/geoAr/data_raw/"
  entidades  <-  "entidades_eph.geojson"
  radios <- "radios_eph.geojson"
  envolventes <- "aglos_envolventes.geojson"
  aglo_nivel <- envolventes # modificar a gusto
  if (!file.exists(file.path(paste0(PATH, aglo_nivel)))) {
    download.file(paste0(direccion, aglo_nivel), paste0(PATH, aglo_nivel), method = "wininet")
  }
  aglo_geo <- sf::st_read(paste0(PATH, aglo_nivel))
}
## Reading layer `aglos_envolventes' from data source 
##   `C:\Users\ablasco\Documents\Proyectos\UNaB-AdDyPP-TFI\datos\aglos_envolventes.geojson' 
##   using driver `GeoJSON'
## Simple feature collection with 81 features and 11 fields (with 2 geometries empty)
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 3219646 ymin: 3918704 xmax: 4511982 ymax: 7342026
## Projected CRS: POSGAR 94 / Argentina 3
aglomerados <- as.data.frame(aglo_geo)
sample_n(select(aglomerados,-geometry),10) |>
  gt() |> 
  tab_header(
    title = "Aglomerados Urbanos*",
    subtitle = "* muestra"
  ) |>
  tab_options(table.width = "100%") |>
  opt_stylize(style = 5, color = 'cyan')
Aglomerados Urbanos*
* muestra
id eph_codagl eph_aglome codaglo aglomerado codprov nomprov coddepto localidade entidades the_geom
16 07 Posadas 6139 Barrio Nuevo Garupá 54 Misiones 028 (54028005) Barrio Nuevo Garupa NA
21 10 Gran Mendoza 0004 Gran Mendoza 50 Mendoza 007,021,028,049,063,070 (50007010) Mendoza;(50021010) Godoy Cruz;(50028020) Guaymallén;(50049050) Las Heras;(50063090) Luján de Cuyo;(50070060) Maipú (50007010 - 01) 1ra Sección;(50007010 - 02) 2da Sección;(50007010 - 03) 3ra Sección;(50007010 - 04) 4ta Sección;(50007010 - 05) 5ta Sección;(50007010 - 06) 6ta Sección;(50007010 - 07) 7ma Sección;(50007010 - 08) 8va Sección;(50007010 - 09-11) 9na NA
33 17 Neuquén - Plottier 0015 Neuquén - Plottier - Cipolletti 58 Neuquén 035 (58035070) Neuquén;(58035100) Plottier NA
18 09 Comodoro Rivadavia - Rada Tilly 0022 Comodoro Rivadavia 26 Chubut 021 (26021030) Comodoro Rivadavia ;(26021030 - 01) Acceso Norte;(26021030 - 02) Bº Caleta Córdova;(26021030 - 03) Caleta Olivares;(26021030 - 04) Bº Castelli;(26021030 - 05) Bº Ciudadela;(26021030 - 06) Bº Gasoducto;(26021030 - 07) Bº Güemes;(26021030 - 08) Bº Laprida;(26021030 - NA
28 14 Concordia 0000 30 Entre Ríos 015 (30015000) Ejido de Concordia NA
46 25 La Rioja 0000 46 La Rioja 014 (46014000) zona rural NA
1 02 Gran La Plata 0000 06 Buenos Aires 098,245,441 (06098000) zona rural;(06245000) zona rural;(06441000) zona rural NA
62 31 Ushuaia - Rio Grande 0086 Ushuaia 94 Tierra del Fuego 014 (94014020) Ushuaia NA
35 18 Santiago del Estero - La Banda 0012 Santiago del Estero - La Banda 86 Santiago del Estero 035,049 (86035090) La Banda;(86049030) El Zanjón;(86049110) Santiago del Estero NA
44 23 Salta 0000 66 Salta 028,035 (66028000) zona rural;(66035000) zona rural NA

Mapa de Aglomerados Urbanos

ggplot() +
    geom_sf(data = subset(prov_geo, IN1=="06"), fill = "white") + 
    geom_sf(data = subset(aglo_geo, codprov=="06"), fill = "darkgreen") + 
    labs(title = "Aglomerados Urbanos*",
         subtitle = "*ejemplo en provncia de Buenos Aires")

Unifica geometrias

aglo_eph <- select(aglo_geo, c(eph_aglome, eph_codagl, nomprov, codprov, geometry)) |>
  group_by(eph_aglome, eph_codagl) |>
  summarise(nomprov = list(unique(nomprov)),
            codprov = list(unique(codprov)),
            geometry = sf::st_union(geometry))
## `summarise()` has grouped output by 'eph_aglome'. You can override using the
## `.groups` argument.
aglo_muestra <- as.data.frame(aglo_eph)
aglo_muestra$eph_codagl <- as.integer(aglo_muestra$eph_codagl)
select(aglo_muestra,-geometry) |>
  gt() |> 
  tab_header(
    title = "Aglomerados Urbanos unificados*") |>
  tab_options(table.width = "100%") |>
  opt_stylize(style = 5, color = 'cyan')
Aglomerados Urbanos unificados*
eph_aglome eph_codagl nomprov codprov
Bahia Blanca - Cerri 3 Buenos Aires 06
CABA 32 Ciudad de Buenos Aires 02
Comodoro Rivadavia - Rada Tilly 9 Chubut 26
Concordia 14 Entre Ríos 30
Corrientes 12 Corrientes 18
Formosa 15 Formosa 34
Gran Catamarca 22 Catamarca 10
Gran Córdoba 13 Córdoba 14
Gran La Plata 2 Buenos Aires 06
Gran Mendoza 10 Mendoza 50
Gran Paraná 6 Entre Ríos 30
Gran Resistencia 8 Chaco 22
Gran Rosario 4 Santa Fe 82
Gran San Juan 27 San Juan 70
Gran Santa Fe 5 Santa Fe 82
Gran Tucumán - Tafi Viejo 29 Tucumán 90
Jujuy - Palpalá 19 Jujuy 38
La Rioja 25 La Rioja 46
Mar del Plata - Batán 34 Buenos Aires 06
Neuquén - Plottier 17 Neuquén 58
Partidos del GBA 33 Buenos Aires 06
Posadas 7 Misiones 54
Rawson - Trelew 91 Chubut 26
Rio Cuarto 36 Córdoba 14
Rio Gallegos 20 Santa Cruz 78
Salta 23 Salta 66
San Luis - El Chorrillo 26 San Luis 74
San Nicolas - Villa Constitiución 38 Buenos Aires 06
San Nicolas - Villa Constitución 38 Santa Fe 82
Santa Rosa - Toay 30 La Pampa 42
Santiago del Estero - La Banda 18 Santiago del Estero 86
Ushuaia - Rio Grande 31 Tierra del Fuego 94
Viedma - Carmen de Patagones 93 Buenos Aires, Río Negro 06, 62

Mapa de Aglomerados Urbanos Unificados

tm_basemap(capas) +
tm_shape(aglo_eph) +
  tm_borders() +
  tm_fill(col = "darkgreen") +
  tm_layout(main.title = "Aglomerados Urbanos",
            main.title.size = 0.7)

1.3 Indicadores

1.3.1 Censo 2010

Se cargan indicadores sobre hogares con celualar y hogares con computadora del Censo 2010.

Carga de Indicadores

indicadores_geo <- sf::st_read(paste0(PATH, indic_arch))
## Reading layer `indicadores' from data source 
##   `C:\Users\ablasco\Documents\Proyectos\UNaB-AdDyPP-TFI\datos\indicadores.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 525 features and 37 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -73.5708 ymin: -55.05562 xmax: -53.6372 ymax: -21.78078
## Geodetic CRS:  WGS 84
indicadores <- as.data.frame(indicadores_geo)
sample_n(select(indicadores,-geometry),10) |>
  gt(rowname_col = "DPTO_1") |> 
  tab_header(
    title = "Lista de Indicadores",
  ) |>
  tab_options(table.width = "100%") |>
  gt_theme_dot_matrix()
Lista de Indicadores
DPTO H_TOTAL H_NBI H_COMPUTAD H_DOMESTIC H_HACINAMI H_HELADERA H_CADENA H_AGUA_RED H_AGUA_VIV H_CLOACA H_HOYO H_TECHO H_PISO H_CELULAR H_TELEFONO H_COMBUSTI H_PROPIETA H_INQUILIN H_NI_PROPI H_JEFE_MUJ H_JEFE_LIM H_JEFE_SOL H_JEFE_S_1 H_JEFE_SEC H_JEFE_TER H_JEFE_UNI H_CONYUGE_ IDPROV PROV IDDPTO DEPARTAMEN DEPARTAM_1 DEPARTAM_2 DEPARTAM_3 DEPARTAM_4
Mercedes 06532 20214 1031 9887 21 600 716 1372 2969 1372 6853 3909 10116 3281 17764 11519 6414 14078 3514 2622 6689 204 11651 5380 8266 1353 1533 5759 06 Buenos Aires 06532 63284 20214 -34.69750 -59.42014 1049.132
Caseros 82014 27951 989 12567 43 550 554 1070 3992 1070 15244 8623 7211 3092 23871 16344 10013 21770 3599 2582 8720 94 17618 7280 9849 1367 1202 7767 82 Santa Fe 82014 82100 27951 -33.22145 -61.53297 3474.580
San Nicolás 06763 45051 2525 22110 41 1215 1010 3183 675 3183 18299 8482 22095 8326 38924 29038 11614 34503 5993 4555 14541 615 26270 12685 17981 2646 2650 13238 06 Buenos Aires 06763 145857 45051 -33.48562 -60.29375 674.186
Lácar 58056 9155 794 5388 19 289 474 304 763 304 1664 472 8749 1227 8276 5630 857 5528 2616 1011 3095 940 4615 2597 4354 653 1104 2826 58 Neuquén 58056 29748 9155 -40.31412 -71.18420 4973.682
Tupungato 50126 8530 1414 2535 0 750 1050 916 1343 916 4691 2722 3193 3852 7723 1471 4737 4551 1545 2434 1810 1022 6280 1410 1840 247 183 1568 50 Mendoza 50126 32524 8530 -33.28352 -69.30087 2574.501
San Miguel 06760 80627 6592 40146 96 3060 3126 11074 46549 11074 51724 19645 26856 20202 70886 48277 27732 60706 11866 8055 26675 4999 47659 22548 31628 3938 5142 22374 06 Buenos Aires 06760 276190 80627 -34.55237 -58.69149 83.528
Quitilipi 22133 8809 2033 1845 13 899 2362 3409 2264 3409 5750 3859 7537 5529 7117 1330 7959 6783 430 1596 2794 33 6333 935 1736 633 168 1331 22 Chaco 22133 34081 8809 -26.67341 -60.17372 1606.739
Patagones 06602 10183 973 4059 12 491 631 595 915 595 4682 1858 6745 1978 9108 4060 1664 6986 1717 1480 3804 496 6542 2140 3227 519 568 2275 06 Buenos Aires 06602 30207 10183 -40.19777 -62.84327 13653.573
Necochea 06581 31425 1070 14748 53 604 873 763 1793 763 7220 4757 20275 2736 27477 19405 7096 22372 5092 3961 10791 411 19847 7471 11052 1713 1868 7928 06 Buenos Aires 06581 92933 31425 -38.25666 -59.16624 4562.900
Capital 50007 39136 1738 23247 232 669 1227 1059 978 1059 1499 1026 3523 2898 34059 26524 3994 22510 12725 3901 15242 1745 12178 14636 26645 2833 9176 13415 50 Mendoza 50007 115041 39136 -32.88133 -68.90062 48.198

En base a los datos, se puede graficar el porcentaje de los hogares que cuentan con computadoras y teléfono celular.

Computadoras

ggplot(indicadores_geo, aes(fill = 100*H_COMPUTAD/H_TOTAL, geometry = geometry)) +
    geom_sf() +
    scale_fill_viridis_c(option = "B", 
                       limits = c(0, 100),
                       direction = -1,
                       name = "Hogares con Computadora",
                       labels = scales::percent_format(scale = 1)
                       ) +
    labs(title = "Hogares con Computadoras")

Celulares

ggplot(indicadores_geo, aes(fill = 100*H_CELULAR/H_TOTAL, geometry = geometry)) +
    geom_sf() +
    scale_fill_viridis_c(option = "B", 
                       limits = c(0, 100),
                       direction = -1,
                       name = "Hogares con Celular",
                       labels = scales::percent_format(scale = 1)
                       ) +
    labs(title = "Hogares con Teléfono Celular")

1.3.2 ENTIC

Encuesta Nacional sobre Acceso y Uso de Tecnologías de la Información y la Comunicación (ENTIC)

Carga de bases ENTIC

lista <- list()
archivos <- list.files(path = "datos/entic/", pattern = "^EPH_usu_hog.*\\.txt")

for (archivo in archivos) {
  df <- read.csv(file.path("datos/entic/", archivo), sep = ";")
  lista <- c(lista, list(df))
}

entic_hogar <- bind_rows(lista) |>
  subset(REALIZADA == "1") |>
  group_by(AGLOMERADO, ANO4) |>
  summarise(
    total = n(),
    comp_si = sum(IH_II_01 == 1),
    comp_no = sum(IH_II_01 == 2),
    comp_nc = sum(IH_II_01 == 9),
    inet_si = sum(IH_II_02 == 1),
    inet_no = sum(IH_II_02 == 2),
    inet_nc = sum(IH_II_02 == 9)
  )
## `summarise()` has grouped output by 'AGLOMERADO'. You can override using the
## `.groups` argument.
entic_hogar |>
  left_join(select(aglo_muestra, eph_aglome, eph_codagl), by = c("AGLOMERADO" = "eph_codagl")) |> 
  gt(groupname_col = c("AGLOMERADO", "eph_aglome")) |> 
  tab_header(
    title = "Indicadores por Hogares",
  ) |>
  tab_options(table.width = "100%") |>
  gt_theme_dot_matrix()
## Warning in left_join(entic_hogar, select(aglo_muestra, eph_aglome, eph_codagl), : Detected an unexpected many-to-many relationship between `x` and `y`.
## ℹ Row 204 of `x` matches multiple rows in `y`.
## ℹ Row 9 of `y` matches multiple rows in `x`.
## ℹ If a many-to-many relationship is expected, set `relationship =
##   "many-to-many"` to silence this warning.
Indicadores por Hogares
ANO4 total comp_si comp_no comp_nc inet_si inet_no inet_nc
2 - Gran La Plata
2016 452 330 122 0 377 75 0
2017 472 364 108 0 400 72 0
2018 433 276 157 0 335 98 0
2019 510 333 177 0 427 83 0
2020 406 268 138 0 363 43 0
2021 420 313 106 1 384 36 0
2022 437 285 152 0 408 29 0
3 - Bahia Blanca - Cerri
2016 531 377 153 1 393 137 1
2017 539 381 158 0 433 105 1
2018 492 347 145 0 399 93 0
2019 483 302 180 1 405 78 0
2020 432 271 160 1 367 65 0
2021 413 277 136 0 364 49 0
2022 430 246 184 0 375 55 0
4 - Gran Rosario
2016 652 414 238 0 439 213 0
2017 668 402 266 0 444 224 0
2018 642 354 288 0 434 208 0
2019 650 352 298 0 437 213 0
2020 593 355 238 0 484 108 1
2021 696 376 320 0 533 163 0
2022 682 352 329 1 597 85 0
5 - Gran Santa Fe
2016 554 318 236 0 375 179 0
2017 572 323 247 2 419 153 0
2018 552 315 237 0 448 104 0
2019 549 319 229 1 478 71 0
2020 537 324 213 0 487 50 0
2021 498 300 197 1 430 67 1
2022 518 304 214 0 464 54 0
6 - Gran Paraná
2016 534 336 198 0 377 157 0
2017 619 412 207 0 532 87 0
2018 591 413 178 0 526 65 0
2019 764 568 196 0 675 89 0
2020 382 271 111 0 337 45 0
2021 621 401 220 0 544 77 0
2022 460 306 153 1 415 44 1
7 - Posadas
2016 467 297 170 0 366 101 0
2017 464 271 193 0 396 67 1
2018 448 285 163 0 376 72 0
2019 434 255 179 0 358 76 0
2020 428 256 172 0 383 45 0
2021 445 256 189 0 389 56 0
2022 459 255 204 0 412 47 0
8 - Gran Resistencia
2016 407 267 140 0 316 91 0
2017 387 240 147 0 302 84 1
2018 418 223 195 0 331 87 0
2019 517 287 230 0 461 56 0
2020 400 208 192 0 373 27 0
2021 417 223 194 0 337 80 0
2022 412 171 241 0 355 57 0
9 - Comodoro Rivadavia - Rada Tilly
2016 436 336 100 0 350 86 0
2017 420 295 125 0 371 49 0
2018 378 282 96 0 352 26 0
2019 386 291 95 0 361 25 0
2020 370 268 102 0 349 21 0
2021 346 235 111 0 336 10 0
2022 321 226 95 0 308 13 0
10 - Gran Mendoza
2016 678 445 230 3 533 145 0
2017 677 441 236 0 530 147 0
2018 660 432 228 0 487 173 0
2019 735 449 285 1 630 104 1
2020 714 424 290 0 662 52 0
2021 736 428 308 0 658 78 0
2022 676 365 311 0 628 48 0
12 - Corrientes
2016 465 280 183 2 329 130 6
2017 474 282 191 1 378 95 1
2018 459 259 200 0 372 87 0
2019 438 244 194 0 319 119 0
2020 414 217 197 0 339 75 0
2021 374 213 161 0 341 33 0
2022 362 212 150 0 315 47 0
13 - Gran Córdoba
2016 720 434 286 0 494 226 0
2017 778 451 326 1 599 179 0
2018 819 485 334 0 676 143 0
2019 794 426 368 0 613 181 0
2020 405 251 153 1 358 47 0
2021 770 424 346 0 678 92 0
2022 785 436 349 0 711 74 0
14 - Concordia
2016 442 289 153 0 339 102 1
2017 445 279 166 0 367 78 0
2018 441 248 191 2 379 62 0
2019 594 318 276 0 516 78 0
2020 512 294 218 0 438 74 0
2021 504 260 244 0 440 64 0
2022 453 228 225 0 412 41 0
15 - Formosa
2016 395 204 191 0 253 142 0
2017 440 263 177 0 294 146 0
2018 445 247 197 1 338 107 0
2019 435 245 190 0 311 124 0
2020 450 241 209 0 383 67 0
2021 427 192 235 0 374 53 0
2022 428 194 234 0 374 54 0
17 - Neuquén - Plottier
2016 373 231 141 1 221 152 0
2017 357 218 139 0 250 107 0
2018 391 245 146 0 299 92 0
2019 390 246 144 0 346 43 1
2020 278 171 107 0 238 40 0
2021 416 270 145 1 351 65 0
2022 407 276 129 2 356 49 2
18 - Santiago del Estero - La Banda
2016 406 253 153 0 328 77 1
2017 425 239 185 1 335 89 1
2018 456 240 216 0 388 68 0
2019 497 250 246 1 416 81 0
2020 428 237 191 0 399 29 0
2021 491 251 240 0 458 33 0
2022 458 233 225 0 424 34 0
19 - Jujuy - Palpalá
2016 488 330 158 0 314 174 0
2017 523 341 182 0 433 90 0
2018 535 366 169 0 481 54 0
2019 518 363 155 0 448 70 0
2020 510 354 156 0 468 42 0
2021 528 324 204 0 487 41 0
2022 483 280 203 0 437 46 0
20 - Rio Gallegos
2016 337 269 68 0 282 55 0
2017 332 254 78 0 284 48 0
2018 322 232 89 1 281 40 1
2019 346 252 94 0 321 25 0
2020 259 174 85 0 247 12 0
2021 304 232 72 0 296 8 0
2022 248 191 57 0 243 5 0
22 - Gran Catamarca
2016 530 303 227 0 279 251 0
2017 514 297 217 0 370 144 0
2018 498 284 214 0 429 69 0
2019 485 251 234 0 387 98 0
2020 436 250 186 0 376 60 0
2021 426 229 197 0 368 58 0
2022 456 229 226 1 434 22 0
23 - Salta
2016 685 420 265 0 428 256 1
2017 765 502 263 0 646 119 0
2018 769 477 291 1 671 96 2
2019 761 478 283 0 659 102 0
2020 614 376 238 0 558 56 0
2021 672 401 271 0 616 56 0
2022 661 393 268 0 629 32 0
25 - La Rioja
2016 489 361 128 0 382 107 0
2017 490 332 158 0 405 85 0
2018 482 323 159 0 404 78 0
2019 493 320 173 0 447 46 0
2020 485 350 134 1 457 28 0
2021 452 288 164 0 435 17 0
2022 491 295 196 0 425 66 0
26 - San Luis - El Chorrillo
2016 496 381 115 0 364 132 0
2017 504 387 117 0 408 96 0
2018 495 399 96 0 425 70 0
2019 500 362 138 0 421 79 0
2020 454 354 100 0 412 42 0
2021 471 334 136 1 438 33 0
2022 475 309 166 0 436 39 0
27 - Gran San Juan
2016 465 272 193 0 295 170 0
2017 566 323 243 0 389 177 0
2018 512 260 252 0 387 125 0
2019 605 269 336 0 447 158 0
2020 538 270 267 1 429 108 1
2021 582 262 320 0 512 70 0
2022 546 293 253 0 500 45 1
29 - Gran Tucumán - Tafi Viejo
2016 690 407 283 0 524 166 0
2017 665 370 295 0 542 123 0
2018 695 360 335 0 593 102 0
2019 686 346 340 0 599 87 0
2020 488 231 257 0 449 39 0
2021 606 298 308 0 549 57 0
2022 634 287 346 1 578 56 0
30 - Santa Rosa - Toay
2016 398 298 97 3 314 81 3
2017 408 289 119 0 319 89 0
2018 352 217 133 2 280 71 1
2019 320 201 119 0 275 45 0
2020 307 197 107 3 265 42 0
2021 321 214 107 0 280 41 0
2022 346 194 151 1 321 24 1
31 - Ushuaia - Rio Grande
2016 414 354 60 0 365 49 0
2017 387 312 75 0 339 48 0
2018 398 337 61 0 356 42 0
2019 363 299 64 0 329 34 0
2020 175 144 31 0 170 5 0
2021 398 322 76 0 387 11 0
2022 369 275 94 0 352 17 0
32 - CABA
2016 947 740 206 1 753 193 1
2017 892 693 198 1 735 156 1
2018 894 702 190 2 771 122 1
2019 845 660 184 1 769 76 0
2020 427 334 93 0 398 29 0
2021 738 618 119 1 697 40 1
2022 773 635 138 0 732 41 0
33 - Partidos del GBA
2016 2575 1597 976 2 1727 845 3
2017 2520 1522 994 4 1800 715 5
2018 2567 1493 1072 2 1981 586 0
2019 2503 1408 1093 2 2015 488 0
2020 1027 637 389 1 906 120 1
2021 1620 998 621 1 1433 186 1
2022 1843 1113 730 0 1667 176 0
34 - Mar del Plata - Batán
2016 458 317 140 1 352 106 0
2017 442 295 146 1 338 103 1
2018 460 286 173 1 361 97 2
2019 439 258 179 2 331 108 0
2020 297 181 116 0 253 44 0
2021 383 236 146 1 348 35 0
2022 359 202 157 0 328 31 0
36 - Rio Cuarto
2016 502 305 196 1 384 118 0
2017 501 305 196 0 405 96 0
2018 518 316 202 0 440 78 0
2019 504 286 218 0 440 64 0
2020 337 204 133 0 306 31 0
2021 492 298 194 0 453 39 0
2022 439 233 205 1 394 45 0
38 - San Nicolas - Villa Constitiución
2016 524 335 189 0 360 164 0
2017 512 306 206 0 388 124 0
2018 527 308 219 0 428 99 0
2019 547 306 241 0 456 91 0
2020 475 236 239 0 384 91 0
2021 534 256 278 0 420 114 0
2022 496 265 231 0 446 50 0
38 - San Nicolas - Villa Constitución
2016 524 335 189 0 360 164 0
2017 512 306 206 0 388 124 0
2018 527 308 219 0 428 99 0
2019 547 306 241 0 456 91 0
2020 475 236 239 0 384 91 0
2021 534 256 278 0 420 114 0
2022 496 265 231 0 446 50 0
91 - Rawson - Trelew
2016 440 294 146 0 352 88 0
2017 466 343 123 0 407 59 0
2018 433 296 137 0 382 51 0
2019 440 267 173 0 376 64 0
2020 423 303 120 0 381 42 0
2021 496 343 153 0 453 43 0
2022 382 236 146 0 345 37 0
93 - Viedma - Carmen de Patagones
2016 329 218 111 0 228 101 0
2017 456 306 150 0 328 128 0
2018 518 325 193 0 378 140 0
2019 493 305 187 1 397 96 0
2020 414 275 138 1 380 33 1
2021 413 277 136 0 372 41 0
2022 410 272 138 0 386 24 0
lista <- list()
archivos <- list.files(path = "datos/entic/", pattern = "^EPH_usu_Ind.*\\.txt")

for (archivo in archivos) {
  df <- read.csv(file.path("datos/entic/", archivo), sep = ";")
  lista <- c(lista, list(df))
}

entic_ind <- bind_rows(lista) |>
  group_by(AGLOMERADO, ANO4) |>
  summarise(
    total = n(),
    comp_si = sum(IP_III_05 == 1),
    comp_no = sum(IP_III_05 == 2),
    comp_nc = sum(IP_III_05 == 9),
    inet_si = sum(IP_III_04 == 1),
    inet_no = sum(IP_III_04 == 2),
    inet_nc = sum(IP_III_04 == 9),
    celu_si = sum(IP_III_06 == 1),
    celu_no = sum(IP_III_06 == 2),
    celu_nc = sum(IP_III_06 == 9)
  )
## `summarise()` has grouped output by 'AGLOMERADO'. You can override using the
## `.groups` argument.
entic_ind |>
  left_join(select(aglo_muestra, eph_aglome, eph_codagl), by = c("AGLOMERADO" = "eph_codagl")) |> 
  gt(groupname_col = c("AGLOMERADO", "eph_aglome")) |> 
  tab_header(
    title = "Indicadores por Persona",
  ) |>
  tab_options(table.width = "100%") |>
  gt_theme_dot_matrix()
## Warning in left_join(entic_ind, select(aglo_muestra, eph_aglome, eph_codagl), : Detected an unexpected many-to-many relationship between `x` and `y`.
## ℹ Row 204 of `x` matches multiple rows in `y`.
## ℹ Row 9 of `y` matches multiple rows in `x`.
## ℹ If a many-to-many relationship is expected, set `relationship =
##   "many-to-many"` to silence this warning.
Indicadores por Persona
ANO4 total comp_si comp_no comp_nc inet_si inet_no inet_nc celu_si celu_no celu_nc
2 - Gran La Plata
2016 1212 749 463 0 981 229 2 1013 199 0
2017 1259 762 497 0 1067 192 0 1088 171 0
2018 1212 501 709 2 953 259 0 1025 187 0
2019 1343 660 683 0 1119 224 0 1122 221 0
2020 1134 538 595 1 1000 133 1 978 156 0
2021 1134 636 477 21 1027 102 5 1024 109 1
2022 1205 619 583 3 1093 111 1 1096 109 0
3 - Bahia Blanca - Cerri
2016 1380 568 808 4 1029 345 6 1108 268 4
2017 1416 572 840 4 1157 252 7 1196 220 0
2018 1288 508 775 5 1060 227 1 1030 258 0
2019 1215 487 728 0 998 217 0 1003 212 0
2020 1045 409 636 0 920 125 0 920 125 0
2021 992 375 617 0 874 118 0 868 124 0
2022 1029 317 712 0 927 102 0 904 125 0
4 - Gran Rosario
2016 1787 933 851 3 1264 523 0 1405 380 2
2017 1774 823 950 1 1250 523 1 1426 348 0
2018 1737 731 1005 1 1223 514 0 1365 372 0
2019 1876 670 1204 2 1362 512 2 1567 309 0
2020 1607 631 976 0 1220 387 0 1373 234 0
2021 1787 669 1117 1 1419 368 0 1601 186 0
2022 1681 679 1002 0 1419 262 0 1542 139 0
5 - Gran Santa Fe
2016 1574 740 834 0 1005 569 0 1321 253 0
2017 1602 653 949 0 1122 480 0 1305 297 0
2018 1518 659 859 0 1187 331 0 1271 247 0
2019 1485 711 774 0 1188 297 0 1243 242 0
2020 1466 669 797 0 1279 187 0 1242 224 0
2021 1389 626 763 0 1112 277 0 1171 218 0
2022 1362 512 849 1 1172 189 1 1189 172 1
6 - Gran Paraná
2016 1445 572 873 0 1051 394 0 1109 336 0
2017 1592 658 934 0 1356 235 1 1309 283 0
2018 1544 813 730 1 1331 213 0 1304 240 0
2019 1918 1083 831 4 1701 217 0 1693 225 0
2020 880 500 380 0 770 110 0 766 114 0
2021 1310 707 595 8 1136 174 0 1136 174 0
2022 1054 551 502 1 949 104 1 942 111 1
7 - Posadas
2016 1387 608 769 10 869 506 12 1051 330 6
2017 1366 477 885 4 1034 328 4 1064 299 3
2018 1305 484 821 0 991 314 0 1060 245 0
2019 1265 468 794 3 924 338 3 1053 209 3
2020 1243 296 947 0 1017 226 0 1074 169 0
2021 1291 323 966 2 1087 204 0 1106 185 0
2022 1292 450 842 0 1135 157 0 1152 140 0
8 - Gran Resistencia
2016 1247 650 597 0 737 510 0 1057 190 0
2017 1209 677 532 0 899 310 0 1064 145 0
2018 1277 621 655 1 1109 166 2 1177 100 0
2019 1699 844 855 0 1435 264 0 1511 188 0
2020 1355 424 931 0 1209 146 0 1264 91 0
2021 1300 566 721 13 1058 239 3 1128 172 0
2022 1246 409 837 0 1090 156 0 1134 112 0
9 - Comodoro Rivadavia - Rada Tilly
2016 1290 903 386 1 1033 256 1 1132 157 1
2017 1206 587 619 0 1033 173 0 1108 98 0
2018 1037 524 513 0 910 127 0 969 68 0
2019 1060 550 510 0 964 96 0 977 83 0
2020 1013 461 552 0 957 56 0 960 53 0
2021 959 428 531 0 895 64 0 901 58 0
2022 896 360 536 0 849 47 0 852 44 0
10 - Gran Mendoza
2016 2025 634 1390 1 1566 458 1 1543 481 1
2017 1963 840 1123 0 1516 447 0 1429 534 0
2018 1938 816 1122 0 1262 672 4 1572 366 0
2019 2222 981 1240 1 1803 419 0 1793 429 0
2020 2128 936 1192 0 1878 250 0 1838 290 0
2021 2100 852 1247 1 1875 224 1 1828 271 1
2022 1911 624 1287 0 1686 225 0 1603 308 0
12 - Corrientes
2016 1459 482 957 20 1085 369 5 1186 270 3
2017 1482 433 1049 0 1201 280 1 1267 215 0
2018 1482 433 1040 9 1239 241 2 1300 182 0
2019 1397 607 790 0 1101 296 0 1184 213 0
2020 1280 589 691 0 1071 209 0 1106 174 0
2021 1129 541 588 0 1013 116 0 1048 81 0
2022 1089 417 672 0 984 105 0 1022 67 0
13 - Gran Córdoba
2016 2259 979 1278 2 1576 683 0 1703 554 2
2017 2276 841 1435 0 1653 623 0 1760 516 0
2018 2367 1003 1363 1 1908 459 0 1993 374 0
2019 2268 981 1287 0 1663 605 0 1890 378 0
2020 1079 483 596 0 914 165 0 961 118 0
2021 2095 875 1216 4 1775 320 0 1814 281 0
2022 2121 827 1293 1 1838 283 0 1837 284 0
14 - Concordia
2016 1363 497 866 0 957 406 0 1032 331 0
2017 1329 515 814 0 999 330 0 1007 322 0
2018 1282 284 998 0 1058 224 0 1049 233 0
2019 1784 512 1272 0 1482 302 0 1464 320 0
2020 1514 415 1099 0 1238 276 0 1243 271 0
2021 1444 344 1100 0 1201 243 0 1206 238 0
2022 1306 276 1030 0 1127 179 0 1130 176 0
15 - Formosa
2016 1282 539 743 0 778 504 0 1054 228 0
2017 1420 705 715 0 898 522 0 1116 304 0
2018 1469 649 819 1 1009 460 0 1211 258 0
2019 1444 574 870 0 929 515 0 1210 234 0
2020 1456 541 915 0 1194 262 0 1316 140 0
2021 1273 414 858 1 1046 227 0 1173 100 0
2022 1245 380 860 5 1024 221 0 1154 91 0
17 - Neuquén - Plottier
2016 1043 432 603 8 589 437 17 884 159 0
2017 1042 429 608 5 711 329 2 875 167 0
2018 1072 463 609 0 802 270 0 941 131 0
2019 1098 335 760 3 902 194 2 954 144 0
2020 782 335 446 1 615 167 0 690 92 0
2021 1107 336 771 0 961 146 0 992 115 0
2022 1050 508 542 0 911 139 0 970 80 0
18 - Santiago del Estero - La Banda
2016 1444 503 941 0 1009 435 0 1066 378 0
2017 1432 375 1057 0 953 479 0 1086 346 0
2018 1585 388 1197 0 1101 484 0 1192 393 0
2019 1784 477 1307 0 1202 582 0 1247 537 0
2020 1548 441 1107 0 1285 263 0 1235 313 0
2021 1647 471 1176 0 1410 237 0 1376 271 0
2022 1546 411 1135 0 1301 245 0 1235 311 0
19 - Jujuy - Palpalá
2016 1684 997 687 0 1142 542 0 1319 365 0
2017 1730 901 829 0 1346 384 0 1414 316 0
2018 1740 920 820 0 1415 325 0 1491 249 0
2019 1650 839 811 0 1393 257 0 1418 232 0
2020 1578 801 777 0 1374 204 0 1392 186 0
2021 1705 821 884 0 1407 298 0 1538 167 0
2022 1526 595 931 0 1365 161 0 1337 189 0
20 - Rio Gallegos
2016 1006 672 334 0 846 160 0 881 125 0
2017 933 485 448 0 820 113 0 812 121 0
2018 906 422 482 2 774 130 2 804 100 2
2019 1008 562 445 1 913 95 0 912 96 0
2020 695 435 259 1 666 29 0 641 54 0
2021 848 472 376 0 828 20 0 821 27 0
2022 669 375 294 0 639 30 0 625 44 0
22 - Gran Catamarca
2016 1857 1015 842 0 1118 739 0 1465 392 0
2017 1784 710 1074 0 1109 675 0 1409 375 0
2018 1677 739 938 0 1316 361 0 1400 277 0
2019 1556 500 1056 0 1335 221 0 1321 235 0
2020 1400 573 827 0 1115 285 0 1214 186 0
2021 1379 492 887 0 1224 155 0 1260 119 0
2022 1460 490 970 0 1314 146 0 1353 107 0
23 - Salta
2016 2388 996 1389 3 1538 849 1 1706 681 1
2017 2595 1217 1378 0 2035 560 0 1965 630 0
2018 2572 1101 1470 1 2064 507 1 1965 606 1
2019 2597 1011 1585 1 2202 394 1 1928 669 0
2020 2058 675 1382 1 1773 285 0 1575 483 0
2021 2212 843 1369 0 1967 245 0 1834 377 1
2022 2105 711 1394 0 1906 199 0 1793 312 0
25 - La Rioja
2016 1685 898 787 0 1237 448 0 1353 332 0
2017 1550 794 756 0 1183 367 0 1328 222 0
2018 1481 807 674 0 1155 326 0 1256 225 0
2019 1597 933 664 0 1351 246 0 1361 236 0
2020 1513 841 672 0 1336 176 1 1355 158 0
2021 1416 723 693 0 1299 117 0 1330 86 0
2022 1501 728 773 0 1268 233 0 1321 180 0
26 - San Luis - El Chorrillo
2016 1526 970 556 0 1133 393 0 1268 258 0
2017 1546 862 684 0 1209 337 0 1275 270 1
2018 1417 899 518 0 1173 244 0 1196 221 0
2019 1447 699 748 0 1202 245 0 1247 200 0
2020 1377 650 726 1 1191 186 0 1200 177 0
2021 1400 558 842 0 1174 226 0 1241 159 0
2022 1348 398 950 0 1212 136 0 1193 155 0
27 - Gran San Juan
2016 1573 613 960 0 1079 494 0 1328 245 0
2017 1862 663 1195 4 1229 631 2 1552 310 0
2018 1673 500 1173 0 1068 605 0 1396 277 0
2019 1979 688 1290 1 1324 654 1 1603 376 0
2020 1749 693 1056 0 1346 403 0 1470 279 0
2021 1760 673 1087 0 1462 298 0 1560 200 0
2022 1652 802 850 0 1446 206 0 1539 113 0
29 - Gran Tucumán - Tafi Viejo
2016 2305 1015 1290 0 1587 718 0 1819 486 0
2017 2227 897 1330 0 1572 655 0 1684 542 1
2018 2321 723 1596 2 1755 566 0 1827 494 0
2019 2218 641 1577 0 1779 439 0 1782 436 0
2020 1617 464 1148 5 1375 242 0 1436 181 0
2021 2048 644 1404 0 1719 329 0 1727 321 0
2022 2049 443 1603 3 1796 253 0 1766 283 0
30 - Santa Rosa - Toay
2016 1064 301 762 1 783 281 0 857 207 0
2017 1036 202 834 0 736 299 1 866 169 1
2018 905 207 698 0 729 174 2 753 152 0
2019 849 282 564 3 685 164 0 720 129 0
2020 765 326 439 0 659 106 0 669 96 0
2021 791 246 545 0 662 129 0 720 71 0
2022 867 225 640 2 745 121 1 811 56 0
31 - Ushuaia - Rio Grande
2016 1077 666 411 0 916 161 0 959 118 0
2017 1064 659 405 0 920 144 0 933 131 0
2018 1144 747 397 0 1045 99 0 1004 140 0
2019 1026 628 398 0 911 115 0 895 131 0
2020 483 267 216 0 433 50 0 423 60 0
2021 1005 638 367 0 949 56 0 945 60 0
2022 908 524 384 0 825 83 0 861 47 0
32 - CABA
2016 2208 1258 941 9 1743 460 5 1846 358 4
2017 2090 1246 833 11 1704 384 2 1777 313 0
2018 2054 1160 894 0 1721 333 0 1772 282 0
2019 1952 1091 858 3 1738 210 4 1770 179 3
2020 895 538 354 3 803 92 0 828 67 0
2021 1669 978 687 4 1527 140 2 1564 103 2
2022 1710 919 787 4 1524 182 4 1570 138 2
33 - Partidos del GBA
2016 7922 3493 4410 19 5395 2518 9 6098 1819 5
2017 7690 3222 4455 13 5507 2172 11 6189 1498 3
2018 7784 3100 4676 8 5939 1844 1 6464 1319 1
2019 7530 2838 4683 9 5994 1532 4 6316 1212 2
2020 2903 1104 1791 8 2409 487 7 2551 346 6
2021 4634 1793 2839 2 3966 667 1 4056 575 3
2022 5223 1904 3306 13 4512 699 12 4664 547 12
34 - Mar del Plata - Batán
2016 1190 612 578 0 911 279 0 913 277 0
2017 1171 556 614 1 955 215 1 958 212 1
2018 1147 487 659 1 888 258 1 941 205 1
2019 1052 396 655 1 701 351 0 890 162 0
2020 739 318 418 3 556 183 0 618 121 0
2021 1001 333 668 0 858 143 0 905 96 0
2022 902 233 669 0 791 111 0 830 72 0
36 - Rio Cuarto
2016 1277 702 574 1 960 316 1 1075 201 1
2017 1266 745 521 0 1038 228 0 1079 187 0
2018 1274 776 498 0 1066 208 0 1140 134 0
2019 1227 762 465 0 1066 161 0 1121 106 0
2020 842 511 331 0 755 87 0 777 65 0
2021 1247 809 438 0 1160 87 0 1191 56 0
2022 1101 374 723 4 903 198 0 956 145 0
38 - San Nicolas - Villa Constitiución
2016 1524 729 791 4 1092 432 0 1291 233 0
2017 1417 449 963 5 1050 364 3 1170 247 0
2018 1481 523 950 8 1182 296 3 1273 208 0
2019 1556 485 1070 1 1248 308 0 1306 250 0
2020 1376 425 951 0 1113 263 0 1245 131 0
2021 1471 397 1065 9 1221 250 0 1281 190 0
2022 1376 459 913 4 1194 182 0 1228 148 0
38 - San Nicolas - Villa Constitución
2016 1524 729 791 4 1092 432 0 1291 233 0
2017 1417 449 963 5 1050 364 3 1170 247 0
2018 1481 523 950 8 1182 296 3 1273 208 0
2019 1556 485 1070 1 1248 308 0 1306 250 0
2020 1376 425 951 0 1113 263 0 1245 131 0
2021 1471 397 1065 9 1221 250 0 1281 190 0
2022 1376 459 913 4 1194 182 0 1228 148 0
91 - Rawson - Trelew
2016 1241 470 771 0 940 301 0 1030 210 1
2017 1291 582 709 0 1063 228 0 1099 192 0
2018 1197 543 654 0 1008 189 0 1041 156 0
2019 1195 464 731 0 1015 180 0 1037 156 2
2020 1138 478 660 0 1041 97 0 1074 64 0
2021 1292 469 823 0 1176 116 0 1152 140 0
2022 964 399 565 0 870 94 0 900 64 0
93 - Viedma - Carmen de Patagones
2016 928 466 462 0 646 282 0 763 165 0
2017 1171 652 519 0 861 310 0 1002 169 0
2018 1292 681 611 0 994 297 1 1169 123 0
2019 1218 586 632 0 998 220 0 1092 126 0
2020 1073 638 435 0 973 100 0 982 91 0
2021 1053 566 487 0 939 114 0 986 67 0
2022 1066 588 478 0 991 75 0 993 73 0

2. Otros análisis (pendiente)

Matriz de Correlación

Gráfico de Correlación personalizado

Información de la sesión

t_fin <- Sys.time()  # Registra el tiempo de finalización
tiempo_ejecucion <- round(t_fin - t_inicio, 2)
cat("Tiempo de ejecución de la notebook:", tiempo_ejecucion, "segundos")
## Tiempo de ejecución de la notebook: 53.05 segundos
sessionInfo()
## R version 4.2.3 (2023-03-15 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19045)
## 
## Matrix products: default
## 
## locale:
## [1] LC_COLLATE=Spanish_Argentina.utf8  LC_CTYPE=Spanish_Argentina.utf8   
## [3] LC_MONETARY=Spanish_Argentina.utf8 LC_NUMERIC=C                      
## [5] LC_TIME=Spanish_Argentina.utf8    
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] geoAr_0.0.1.4.2 ggplot2_3.4.4   archive_1.1.6   leaflet_2.2.0  
##  [5] sf_1.0-14       tmap_3.3-4      gtExtras_0.4.5  gt_0.9.0       
##  [9] dplyr_1.1.2     readr_2.1.4    
## 
## loaded via a namespace (and not attached):
##  [1] httr_1.4.5              sass_0.4.5              jsonlite_1.8.4         
##  [4] viridisLite_0.4.1       bslib_0.4.2             assertthat_0.2.1       
##  [7] paletteer_1.5.0         highr_0.10              sp_2.0-0               
## [10] yaml_2.3.7              pillar_1.9.0            lattice_0.20-45        
## [13] glue_1.6.2              digest_0.6.31           RColorBrewer_1.1-3     
## [16] colorspace_2.1-0        leaflet.providers_2.0.0 htmltools_0.5.5        
## [19] XML_3.99-0.14           pkgconfig_2.0.3         raster_3.6-26          
## [22] stars_0.6-4             s2_1.1.4                scales_1.2.1           
## [25] fontawesome_0.5.0       terra_1.7-39            tzdb_0.4.0             
## [28] tibble_3.2.1            proxy_0.4-27            generics_0.1.3         
## [31] farver_2.1.1            ellipsis_0.3.2          cachem_1.0.7           
## [34] withr_2.5.0             leafsync_0.1.0          cli_3.6.1              
## [37] magrittr_2.0.3          evaluate_0.20           fansi_1.0.4            
## [40] xml2_1.3.3              lwgeom_0.2-13           class_7.3-21           
## [43] tools_4.2.3             hms_1.1.3               lifecycle_1.0.3        
## [46] munsell_0.5.0           compiler_4.2.3          jquerylib_0.1.4        
## [49] e1071_1.7-13            rlang_1.1.0             attempt_0.3.1          
## [52] classInt_0.4-9          units_0.8-2             grid_4.2.3             
## [55] tmaptools_3.1-1         dichromat_2.0-0.1       rstudioapi_0.14        
## [58] htmlwidgets_1.6.2       crosstalk_1.2.0         labeling_0.4.2         
## [61] leafem_0.2.3            base64enc_0.1-3         rmarkdown_2.21         
## [64] wk_0.7.3                gtable_0.3.3            codetools_0.2-19       
## [67] curl_5.0.0              abind_1.4-5             DBI_1.1.3              
## [70] rematch2_2.1.2          R6_2.5.1                knitr_1.42             
## [73] fastmap_1.1.1           utf8_1.2.3              KernSmooth_2.23-20     
## [76] parallel_4.2.3          Rcpp_1.0.10             vctrs_0.6.1            
## [79] png_0.1-8               tidyselect_1.2.0        xfun_0.39